面向异构 EEG 数据集机器学习的物理信息驱动无监督黎曼域适应

基于摘要分析。该研究针对跨会话、跨被试及跨设备 EEG 数据整合中通道数量与位置不一致的问题，提出利用 EEG 信号物理特性的场插值方法，将不同数据集的通道映射至固定位置，再结合黎曼几何分类流程与迁移学习步骤实现无监督域适应。 核心机制是通过场插值统一传感器空间，而非仅选择训练集与测试集的共有通道，以减少通道筛选造成的信息丢失，并支持无源域适应（source-free domain adaptation）。摘要未说明场插值的具体物理模型、固定位置选择、协方差估计及黎曼空间适配操作；无源阶段可访问的数据、拟合流程与推理条件尚未验证。 评估采用六个公开 BCI 数据集，在右手/左手分类任务上进行 Cross-dataset 留一数据集验证。对照包括统计方法 Dimensionality Transcending、信号插补方法 ComImp、依赖源数据的方法、共有通道选择及球面样条插值。作者报告：训练与测试数据仅有少量共享通道时，场插值在各数据集上均优于其他方法；共享通道较多时，其表现与其他方法具有竞争力，且计算速度快于依赖源数据的方法。摘要未提供具体数据集名称、分类指标、数值结果、通道配置或运行时间，不能据此量化性能增益。 复现时需核对通道坐标与参考方式、插值目标布局、域适应各阶段的数据访问边界，以及不同通道重叠程度下的对照设置。实验协议、消融及统计信息尚未验证。摘要提及潜在生物标志物应用，但未给出对应验证结果，不应将 BCI 分类结论直接外推至临床用途。